Ekonometrika_ZADAChki
.doc
Значения
скорректированного коэффициента
детерминации, частных коэффициентов
эластичности и параметра
равны:
+
—
—
—
По 16 наблюдениям получены следующие данные:
Значения
скорректированного коэффициента
детерминации, частных коэффициентов
эластичности и параметра
равны:
+
—
—
—
Уравнения
регрессии y
на
и
в стандартизованном и натуральном
масштабе имеют вид:
+
—
—
—
.
Уравнения
регрессии
на
и
в стандартизованном и натуральном
масштабе имеют вид:
+
—
—
—
;
.
Уравнения регрессии в стандартизированном и натуральном масштабе имеют вид:
+
—
—
—
.
Уравнения регрессии в стандартизированном и натуральном масштабе имеют вид:
+
—
—
—
.
Уравнения регрессии в стандартизированном и натуральном масштабе имеют вид:
+
—
—
—
.
Уравнения регрессии в стандартизированном и натуральном масштабе имеют вид:
+
—
—
—
При построении регрессионной зависимости некоторого результативного признака на 8 факторов по 25 измерениям коэффициент детерминации составил 0,736. После исключения 3 факторов коэффициент детерминации уменьшился до 0,584. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:
+Да, только на уровнях 0,05 и 0,01
—Да, на всех уровнях значимости
—Нет, на всех уровнях значимости
—Да, только на уровне 0,01
—Да, только на уровнях 0,1 и 0,05
При построении регрессионной зависимости некоторого результативного признака на 7 факторов по 32 измерениям коэффициент детерминации составил 0,812. После исключения 2 факторов коэффициент детерминации уменьшился до 0,76. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:
+Да, только на уровнях 0,05 и 0,01
—Да, на всех уровнях значимости
—Нет, на всех уровнях значимости
—Да, только на уровне 0,01
—Да, только на уровнях 0,1 и 0,05
При построении регрессионной зависимости некоторого результативного признака на 10 факторов по 45 измерениям коэффициент детерминации составил 0,347. После добавления 3 факторов коэффициент детерминации увеличился до 0,536. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:
+Да, на всех уровнях значимости
—Нет, на всех уровнях значимости
—Да, только на уровнях 0,1 и 0,05
—Да, только на уровне 0,1
—Да, только на уровнях 0,05 и 0,01
При построении регрессионной зависимости некоторого результативного признака на 7 факторов по 42 измерениям коэффициент детерминации составил 0,443. После добавления 3 факторов коэффициент детерминации увеличился до 0,527. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:
+Нет, на всех уровнях значимости
—Да, на всех уровнях значимости
—Да, только на уровнях 0,1 и 0,05
—Да, только на уровне 0,1
—Да, только на уровнях 0,05 и 0,01
При построении регрессионной зависимости некоторого результативного признака на 8 факторов по 38 измерениям коэффициент детерминации составил 0,558. После добавления 2 факторов коэффициент детерминации увеличился до 0,644. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:
+Да, только на уровнях 0,1 и 0,05
—Да, на всех уровнях значимости
—Нет, на всех уровнях значимости
—Да, только на уровне 0,1
—Да, только на уровнях 0,05 и 0,01
По данным 150 наблюдений о доходе индивидуума Y, уровне его образования X1, и возрасте X2 определите, можно ли считать на уровне значимости 5 % линейную регрессионную модель Y на X1 и X2 гетероскедастичной, если суммы квадратов остатков после упорядочения данных по уровню образования следующие: RSS1 (для 50 значений с наименьшим уровнем образования) = 894,1; RSS2 (для 50 значений с наибольшим уровнем образования) = 3918,2:
+гипотеза об отсутствии гетероскедастичности отвергается
—гипотеза об отсутствии гетероскедастичности принимается
—на основе имеющихся данных такую гипотезу нельзя проверить
Имеется следующая модель, построенная на основе 30 наблюдений:
Y = 1, 48+ 0, 788X R2 = 0,97
(3,29) (29,37)
В скобках указаны t – статистики
Для проверки гетероскедастичности, были построены отдельные модели по первым 12 и последним 12 наблюдениям. Остаточные суммы квадратов отклонений составили RSS1 = 1069 и RSS2 = 3344 . Проверить гипотезу о гомоскедастичности с уровнем значимости 5%:
+гипотеза о гомоскедастичности отвергается
—гипотеза о гомоскедастичности принимается
—для проверки данной гипотезы в данной задаче недостаточно данных
Имеется следующая модель, построенная на основе 30 наблюдений:
Y = 1, 75+ 1, 251X R2 = 0,97
(3,02 ) (2,37)
В скобках указаны t – статистики
Для проверки гетероскедастичности, были построены отдельные модели по первым 12 и последним 12 наблюдениям. Остаточные суммы квадратов отклонений составили RSS1 = 344 и RSS2 = 769 . Проверить гипотезу о гомоскедастичности с уровнем значимости 5%:
—гипотеза о гомоскедастичности отвергается
+гипотеза о гомоскедастичности принимается
—для проверки данной гипотезы в данной задаче недостаточно данных
Модели временных рядов (Задачи)
На основе помесячных данных за последние 6 лет была построена аддитивная модель временного потребления тепла. Скорректированные значения сезонной компоненты приведены в таблице:
|
Январь |
+ 30 |
Май |
- 20 |
сентябрь |
- 10 |
|
февраль |
+ 25 |
Июнь |
- 34 |
октябрь |
+ 12 |
|
март |
? |
Июль |
- 42 |
ноябрь |
+22 |
|
апрель |
- 2 |
Август |
- 18 |
декабрь |
+28 |
Уравнение тренда выглядит так:
Значение сезонной компоненты за март, а также точечный прогноз потребления тепла на 1 квартал следующего года равны:
+9; 1290,4
—-9; 1290,4
—9; 1226,4
—12; 1226,4
На основе помесячных данных за последние 5 лет была построена аддитивная модель временного потребления тепла. Скорректированные значения сезонной компоненты приведены в таблице:
|
Январь |
+ 17 |
май |
- 20 |
сентябрь |
- 10 |
|
февраль |
+ 15 |
июнь |
- 34 |
октябрь |
? |
|
март |
+ 10 |
июль |
- 42 |
ноябрь |
+22 |
|
апрель |
- 4 |
август |
- 18 |
декабрь |
+27 |
Уравнение тренда выглядит так:
Значение сезонной компоненты за октябрь, а также точечный прогноз потребления тепла на 1 квартал следующего года равны:
+37; 1615,2
—-37; 1615,2
—37; 1845
—4; 1845
На основе помесячных данных за последние 8 лет была построена аддитивная модель временного потребления тепла. Скорректированные значения сезонной компоненты приведены в таблице:
|
Январь |
+ 42 |
Май |
- 10 |
сентябрь |
- 10 |
|
февраль |
+ 21 |
Июнь |
- 50 |
октябрь |
+ 12 |
|
март |
? |
Июль |
- 35 |
ноябрь |
+22 |
|
апрель |
- 1 |
Август |
- 16 |
декабрь |
+28 |
Уравнение тренда выглядит так:
Значение сезонной компоненты за март, а также точечный прогноз потребления тепла на 1 квартал следующего года равны:
+-3; 1611,6
—3; 1617,6
—3; 1526,4
—7; 1226,4
На основе поквартальных данных построена мультипликативная модель некоторого временного ряда. Скорректированные значения сезонной компоненты равны:
I квартал – 1,6
II квартал – 0,8
III квартал – 0,7
IV квартал - ?
Уравнение тренда имеет вид:
Значение сезонной компоненты за IV квартал и прогноз на II и III кварталы следующего года равны:
+0,90; 5,28 и 4,55
—1,00; 10,72 и 5,28
—0,90; 4,55 и 5,28
—0,80; 5,28 и 10,72
На основе поквартальных данных построена мультипликативная модель некоторого временного ряда. Скорректированные значения сезонной компоненты равны:
I квартал – 1,5
II квартал – ?
III квартал – 0,6
IV квартал – 0,8
Уравнение тренда имеет вид:
Значение сезонной компоненты за II квартал и прогноз на II и III кварталы следующего года равны:
+1,10; 16,06 и 8,82
—1,20; 21,75 и 16,06
—1,10; 8,82 и 16,06
—1,00; 16,06 и 21,75
На основе поквартальных данных построена мультипликативная модель некоторого временного ряда. Скорректированные значения сезонной компоненты равны:
I квартал – 1,2
II квартал – 0,8
III квартал – ?
IV квартал – 1,4
Уравнение тренда имеет вид:
Значение сезонной компоненты за III квартал и прогноз на II и III кварталы следующего года равны:
+0,60; 4,32 и 3,12
—0,70; 6,72 и 4,32
—0,60; 3,12 и 4,32
—0,50; 4,32 и 6,72
На основе поквартальных данных построена мультипликативная модель некоторого временного ряда. Скорректированные значения сезонной компоненты равны:
I квартал – 1,2
II квартал – 0,9
III квартал – 0,5
IV квартал - ?
Уравнение тренда имеет вид:
Значение сезонной компоненты за IV квартал и прогноз на II и III кварталы следующего года равны:
+1,40; 1,71 и 0,85
—1,60; 7,48 и 4,57
—1,40; 1,36 и 4,57
—1,30; 2,28 и 7,48
На основе поквартальных данных построена мультипликативная модель некоторого временного ряда. Скорректированные значения сезонной компоненты равны:
I квартал – 1,5
II квартал – 0,7
III квартал – ?
IV квартал – 1,2
Уравнение тренда имеет вид:
Значение сезонной компоненты за III квартал и прогноз на II и III кварталы следующего года равны:
+0,60; 4,55 и 3,78
—0,70; 6,72 и 4,55
—0,60; 3,78 и 4,55
—0,50; 4,55 и 6,72
На
основе квартальных данных объемов
продаж 1995 – 2000гг. была построена
аддитивная модель временного ряда.
Трендовая компонента имеет вид
Показатели за 2000 г. приведены в таблице:
|
Квартал |
Фактический объем продаж |
Компонента аддитивной модели |
||
|
трендовая |
сезонная |
случайная |
||
|
1 |
270 |
|
|
-9 |
|
2 |
|
|
10 |
+4 |
|
3 |
310 |
|
40 |
|
|
4 |
|
|
S4 |
|
|
ИТОГО: |
2000 |
|
|
|
Отдельные недостающие данные в таблице равны:
+
—
—
—
На
основе квартальных данных объемов
продаж 1995 – 2000гг. была построена
аддитивная модель временного ряда.
Трендовая компонента имеет вид
Показатели за 1999 г. приведены в таблице:
|
Квартал |
Фактический объем продаж |
Компонента аддитивной модели |
||||
|
трендовая |
сезонная |
случайная |
||||
|
1 |
200 |
|
|
-11 |
||
|
2 |
|
|
15 |
+5 |
||
|
3 |
250 |
|
35 |
|
||
|
4 |
|
|
S4 |
|
||
|
Итого |
1000 |
|
|
|
||
Отдельные недостающие данные в таблице равны:
+
—
—
—
На
основе квартальных данных объемов
продаж 1995 – 2000гг. была построена
аддитивная модель временного ряда.
Трендовая компонента имеет вид
Показатели за 1999 г. приведены в таблице:
|
Квартал |
Фактический объем продаж |
Компонента аддитивной модели |
|||
|
трендовая |
сезонная |
случайная |
|||
|
1 |
250 |
|
|
-11 |
|
|
2 |
|
|
15 |
+5 |
|
|
3 |
280 |
|
35 |
|
|
|
4 |
|
|
S4 |
|
|
|
Итого |
1200 |
|
|
|
|
Отдельные недостающие данные в таблице равны:
+
—
—
—
